Question

我正在寻找一种方法将RDD分成两个或多个RDD，并将获得的结果保存为两个独立的RDD。举例来说：

rdd_test = sc.parallelize(range(50), 1)

我的代码：

def split_population_into_parts(rdd_test):

    N = 2
    repartionned_rdd = rdd_test.repartition(N).distinct()
    rdds_for_testab_populations = repartionned_rdd.glom()

    return rdds_for_testab_populations

rdds_for_testab_populations = split_population_into_parts(rdd_test)

给出了：

[[0， 2， 4， 6， 8， 10， 12， 14， 16， 18， 20， 22， 24， 26， 28， 30， 32， 34， 36， 38， 40， 42， 44， 46， 48]， [1， 3， 5， 7， 9， 11， 13， 15， 17， 19， 21， 23， 25， 27， 29， 31， 33， 35， 37， 39， 41， 43， 45， 47， 49]

现在我想将这里的每个列表关联到一个新的RDD。例如RDD1和RDD2。该怎么办？

Answer 1

我得到了解决方案：

def get_testab_populations_tables(rdds_for_testab_populations):
i = 0
while i < len(rdds_for_testab_populations.collect()):
    for testab_table in rdds_for_testab_populations.toLocalIterator():
        namespace = globals()
        namespace['tAB_%d' % i] = sc.parallelize(testab_table)
        i += 1

return;

然后你可以这样做：

print tAB_0.collect()
print tAB_1.collect()
etc.

如何将RDD拆分为两个RDD并使用PySpark将结果保存为RDD？

1 个答案: